OpenVLA: An Open-Source Vision-Language-Action Model：开源VLA模型以7B参数超越55B闭源模型，推动机器人操作泛化
2024年6月，OpenVLA团队发布了一个7B参数的开源视觉-语言-动作模型，基于Llama 2和DINOv2/SigLIP视觉编码器，在970k真实机器人演示上训练。在29个任务中，OpenVLA以7倍少的参数比RT-2-X（55B）绝对成功率高出16.5%，并可通过低秩适配在消费级GPU上微调，量化后不影响成功率。
Development
- First ReportOpenVLA: An Open-Source Vision-Language-Action Model：开源VLA模型以7B参数超越55B闭源模型，推动机器人操作泛化arXiv cs.AI
- Current AssessmentOpenVLA将推动机器人行业从专用模型向通用基础模型转变。开源策略可加速学术和工业界的机器人研究，降低初创公司进入门槛。对仓储、制造等领域的自动化部署有直接价值，可能催生基于VLA的机器人即服务（RaaS）模式。Agent Pulse · analysis
OpenVLA是首个大规模开源VLA模型，证明了小参数模型通过数据多样性和架构设计可以超越闭源大模型。它降低了机器人策略学习的门槛，使研究者能用消费级硬件微调通用策略，对机器人操作泛化有重大意义。
OpenVLA采用Llama 2语言模型与双视觉编码器（DINOv2和SigLIP）融合，在Open X-Embodiment数据集上训练。其关键创新在于：1）通过数据多样性（970k演示）和模型组件（融合特征）实现高效泛化；2）支持低秩适配（LoRA）微调，在单张消费级GPU上即可完成；3）量化后无性能损失。评估涵盖29个任务、多种机器人形态，相比Diffusion Policy等模仿学习方法提升20.4%。局限：依赖预训练视觉-语言模型，对未见过的物体或场景泛化能力待验证。
OpenVLA将推动机器人行业从专用模型向通用基础模型转变。开源策略可加速学术和工业界的机器人研究，降低初创公司进入门槛。对仓储、制造等领域的自动化部署有直接价值，可能催生基于VLA的机器人即服务（RaaS）模式。
建议机器人公司立即评估OpenVLA作为基础模型，利用其开源权重和微调工具包开发特定场景策略。投资方向可关注基于VLA的机器人软件栈初创公司，或采购相关服务以降低研发成本。
需关注：1）在更多真实场景（如家庭、医疗）的泛化测试；2）LoRA微调在边缘设备上的推理效率；3）模型安全性与对齐问题；4）社区贡献的微调数据集质量。若成功，将加速机器人通用智能体的落地。